Fugu-MT 論文翻訳(概要): Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios

論文の概要: Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios

arxiv url: http://arxiv.org/abs/2604.08922v1
Date: Fri, 10 Apr 2026 03:34:53 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-13 17:57:53.668693
Title: Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios
Title（参考訳）: Degradation-Robust Fusion: 任意劣化シナリオにおけるマルチモーダル画像融合のための効率的なDegradation-Aware Diffusion Framework
Authors: Yu Shi, Yu Liu, Zhong-Cheng Wu, Juan Cheng, Huafeng Li, Xun Chen,
Abstract要約: ノイズ、ぼかし、低解像度といった複雑な劣化は、実世界の画像融合タスクにおける典型的な課題である。本稿では,任意の劣化シナリオ下での画像融合のための効率的な劣化認識拡散フレームワークを提案する。
参考スコア（独自算出の注目度）: 34.660999867031386
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Complex degradations like noise, blur, and low resolution are typical challenges in real world image fusion tasks, limiting the performance and practicality of existing methods. End to end neural network based approaches are generally simple to design and highly efficient in inference, but their black-box nature leads to limited interpretability. Diffusion based methods alleviate this to some extent by providing powerful generative priors and a more structured inference process. However, they are trained to learn a single domain target distribution, whereas fusion lacks natural fused data and relies on modeling complementary information from multiple sources, making diffusion hard to apply directly in practice. To address these challenges, this paper proposes an efficient degradation aware diffusion framework for image fusion under arbitrary degradation scenarios. Specifically, instead of explicitly predicting noise as in conventional diffusion models, our method performs implicit denoising by directly regressing the fused image, enabling flexible adaptation to diverse fusion tasks under complex degradations with limited steps. Moreover, we design a joint observation model correction mechanism that simultaneously imposes degradation and fusion constraints during sampling to ensure high reconstruction accuracy. Experiments on diverse fusion tasks and degradation configurations demonstrate the superiority of the proposed method under complex degradation scenarios.
Abstract（参考訳）: ノイズ、ぼかし、低解像度といった複雑な分解は、実世界の画像融合タスクにおける典型的な課題であり、既存の手法の性能と実用性を制限する。エンドツーエンドのニューラルネットワークベースのアプローチは一般的に、推論において設計が簡単で、非常に効率的であるが、ブラックボックスの性質は限定的な解釈可能性をもたらす。拡散に基づく手法は、強力な生成前兆とより構造化された推論プロセスを提供することにより、これをある程度緩和する。しかし、単一のドメインターゲット分布を学習するように訓練されているのに対して、融合は自然な融合データに欠けており、複数のソースからの相補的な情報をモデリングすることに頼っているため、拡散を実際に直接適用することは困難である。これらの課題に対処するために,任意の劣化シナリオ下での画像融合のための効率的な劣化認識拡散フレームワークを提案する。具体的には、従来の拡散モデルのようにノイズを明示的に予測する代わりに、融合した画像を直接回帰することで暗黙の認知を行い、限られたステップで複雑な劣化の下で様々な融合タスクに柔軟な適応を可能にする。さらに,サンプリング中の劣化や核融合の制約を同時に課す共同観測モデル補正機構を設計し,高い再構成精度を確保する。多様な核融合タスクと分解構成の実験は、複雑な分解シナリオ下で提案手法の優位性を示す。

論文の概要: Degradation-Robust Fusion: An Efficient Degradation-Aware Diffusion Framework for Multimodal Image Fusion in Arbitrary Degradation Scenarios

関連論文リスト